|
|
|
|
基于深度学习的多孔介质中多相流预测及不确定性分析 |
| |
| 论文目录 |
| |
| 摘要 | 第5-7页 | | ABSTRACT | 第7-8页 | | 第1章 绪论 | 第17-26页 | | 1.1 研究背景 | 第17-21页 | | 1.2 研究现状 | 第21-24页 | | 1.3 本文主要工作 | 第24-26页 | | 第2章 深度学习算法原理 | 第26-42页 | | 2.1 机器学习基本概念 | 第26-27页 | | 2.2 全连接神经网络 | 第27-33页 | | 2.2.1 神经网络的基本结构 | 第27-31页 | | 2.2.2 神经网络的训练过程 | 第31-33页 | | 2.3 卷积神经网络 | 第33-40页 | | 2.3.1 卷积神经网络的基本结构 | 第33-36页 | | 2.3.2 用于语义分割的卷积神经网络 | 第36-39页 | | 2.3.3 用于流体力学的卷积神经网络 | 第39-40页 | | 2.4 本章小结 | 第40-42页 | | 第3章 多孔介质中多相流的数值模拟 | 第42-55页 | | 3.1 控制方程 | 第42-43页 | | 3.2 多孔介质的结构特性 | 第43-46页 | | 3.3 格子玻尔兹曼数值方法 | 第46-51页 | | 3.3.1 R-K颜色梯度模型 | 第46-48页 | | 3.3.2 边界条件的处理 | 第48-49页 | | 3.3.3 数值验证 | 第49-51页 | | 3.4 多孔介质两相流动的求解 | 第51-54页 | | 3.5 本章小结 | 第54-55页 | | 第4章 基于神经网络的多孔介质两相流动预测 | 第55-75页 | | 4.1 引言 | 第55-57页 | | 4.2 模型的结构 | 第57-61页 | | 4.3 实验过程 | 第61-71页 | | 4.3.1 模型的训练 | 第61-64页 | | 4.3.2 模型的评估与比较 | 第64-71页 | | 4.4 模型的权重可视化解释 | 第71-73页 | | 4.5 本章小结 | 第73-75页 | | 第5章 基于多时刻神经网络的动态两相流动预测 | 第75-89页 | | 5.1 引言 | 第75-76页 | | 5.2 嵌入时间信息的模型结构 | 第76-80页 | | 5.2.1 基于ConvGRU的多帧预测模型 | 第76-79页 | | 5.2.2 基于时间特征图的任意帧预测模型 | 第79-80页 | | 5.3 实验过程 | 第80-88页 | | 5.3.1 模型的训练 | 第80-83页 | | 5.3.2 模型的评估与比较 | 第83-88页 | | 5.4 本章小结 | 第88-89页 | | 第6章 基于贝叶斯神经网络的不确定性分析 | 第89-105页 | | 6.1 引言 | 第89-91页 | | 6.2 贝叶斯神经网络 | 第91-96页 | | 6.2.1 基于贝叶斯原理的不确定性分析 | 第91-93页 | | 6.2.2 两种贝叶斯神经网络的实现方法 | 第93-96页 | | 6.3 实验过程 | 第96-98页 | | 6.3.1 贝叶斯模型的结构 | 第96-97页 | | 6.3.2 蒙特卡洛采样 | 第97-98页 | | 6.4 多孔介质两相流动预测的不确定性分析 | 第98-104页 | | 6.5 本章小结 | 第104-105页 | | 第7章 总结与展望 | 第105-108页 | | 7.1 工作总结与创新点 | 第105-107页 | | 7.1.1 准静态单帧流场的预测 | 第105页 | | 7.1.2 动态多帧流场的预测 | 第105-106页 | | 7.1.3 基于贝叶斯原理的不确定性分析 | 第106-107页 | | 7.1.4 主要创新点 | 第107页 | | 7.2 未来工作展望 | 第107-108页 | | 参考文献 | 第108-118页 | | 致谢 | 第118-119页 | | 在读期间发表的学术论文与取得的研究成果 | 第119页 |
|
|
|
|
论文编号BS4624041，这篇论文共119页
会员购买按0.35元/页下载，共需支付41.65元。 直接购买按0.5元/页下载，共需要支付59.5元 。 |
 |
 |
我还不是会员，注册会员！
会员下载更优惠!充值送钱！ |
我只需要这篇，无需注册！
直接网上支付，方便快捷！ |
|
|
|
版权申明：本目录由www.jylw.com网站制作，本站并未收录原文，如果您是作者，需要删除本篇论文目录请通过QQ或其它联系方式告知我们，我们承诺24小时内删除。 |
|
|
广告服务